Komparasi Algoritma Clustering untuk Segmentasi Pelanggan Berdasarkan Data Invoice Pt XYZ

Ken Stefanus Suhendra, Christian (2026) Komparasi Algoritma Clustering untuk Segmentasi Pelanggan Berdasarkan Data Invoice Pt XYZ. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (488kB)
	PDF BAB_I.pdf Download (297kB)
	PDF BAB_II.pdf Download (532kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (383kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (251kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (266kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000067414_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Perkembangan teknologi informasi menyebabkan perusahaan menghasilkan data transaksi dalam jumlah besar yang berpotensi dimanfaatkan sebagai sumber informasi dalam pengambilan keputusan bisnis. Namun, pada praktiknya banyak perusahaan masih memanfaatkan data transaksi hanya sebagai arsip administratif tanpa analisis lebih lanjut, termasuk PT XYZ yang mengalami kesulitan dalam mengidentifikasi customer prioritas berdasarkan data invoice pelanggan. Penelitian ini bertujuan untuk melakukan segmentasi pelanggan menggunakan teknik clustering guna membantu perusahaan memahami karakteristik pelanggan berdasarkan pola transaksi yang dimiliki. Penelitian menggunakan framework CRISP-DM dengan tahapan Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Dataset yang digunakan merupakan data invoice perusahaan tahun 2017­ 2024 sebanyak 13.245 baris data. Proses clustering dilakukan menggunakan algoritma K-Means, DBSCAN, Gaussian Mixture Model (GMM), dan Agglomerative Clustering. Hasil clustering dievaluasi menggunakan Silhouette Score, Davies-Bouldin Index (DBI), dan Calinski-Harabasz Index (CHI). Hasil penelitian menunjukkan bahwa algoritma K-Means menghasilkan performa terbaik dengan nilai Silhouette Score sebesar 0,457, nilai Davies-Bouldin Index sebesar 0,631, dan nilai Calinski-Harabasz Index sebesar 349,177, sehingga dipilih sebagai algoritma yang paling optimal untuk segmentasi customer pada data transaksi PT XYZ. Hasil penelitian kemudian diimplementasikan ke dalam dashboard Customer Segmentation berbasis Streamlit yang mampu memvisualisasikan hasil segmentasi pelanggan secara interaktif dan memperoleh tingkat penerimaan pengguna sebesar 83% berdasarkan User Acceptance Test (UAT).

Item Type:	Thesis (Bachelor Thesis)
Creators:	Ken Stefanus Suhendra, Christian (00000067414)
Contributors:	Faza, Ahmad
Keywords:	K-Means, Clustering, CRISP-DM, Customer Segmentation, Data Mining, Streamlit
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	15 Jul 2026 07:57
URI:	https://kc.umn.ac.id/id/eprint/47543

Actions (login required)

View Item